منبع علمی مقاله —d1189

فصل دوم ادبیات و پیشینه تحقیق2-1- مقدمهدر این فصل، به سه بخش اصلی با عناوین داده‌کاوی، عامل‌ها و سیستم‌های چند عامله، و کاربرد عامل‌ها در داده‌کاوی میپردازیم و در نهایت به بررسی کارهای انجام شده در این حوزه خواهیم پرداخت.
2-2- دادهکاویداده کاوی، یک تکنولوژی نوظهور است، که از ابزارها و تکنیک‌های مدل‌سازی و تجزیه و تحلیل آماری، الگوریتم‌های ریاضی، و متدهای یادگیری ماشین برای کشف الگوهای معتبر و ناشناخته در مجموعه داده‌های حجیم استفاده می‌کند. هرچند این تکنولوژی دوران نوباوگی خود را طی می‌کند، اما شرکت‌ها و سازمان‌های بسیاری از جمله خرده‌فروشی‌ها، بانک‌ها، مراکز درمانی، کارخانجات تولیدی، ارتباطات راه دور، و مؤسسات دولتی از ابزارها و تکنیک‌های داده‌کاوی برای تحلیل داده‌هایشان و کشف اطلاعات و دانش مفید از آن‌ها استفاده می‌کنند. ADDIN EN.CITE <EndNote><Cite><Author>Wang</Author><Year>2003</Year><RecNum>125</RecNum><DisplayText>[1, 2]</DisplayText><record><rec-number>125</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">125</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Wang, J.</author></authors></contributors><titles><title>Data mining: opportunities and challenges</title></titles><dates><year>2003</year></dates><publisher>Irm Press</publisher><isbn>1931777837</isbn><urls></urls></record></Cite><Cite><Author>Rao</Author><Year>2010</Year><RecNum>105</RecNum><record><rec-number>105</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">105</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Rao, V.S.</author><author>Vidyavathi, S.</author></authors></contributors><titles><title>Distributed Data Mining and Mining Multi-Agent Data</title><secondary-title>IJCSE) International Journal on Computer Science and Engineering</secondary-title></titles><periodical><full-title>IJCSE) International Journal on Computer Science and Engineering</full-title></periodical><pages>1237-1244</pages><volume>2</volume><number>04</number><dates><year>2010</year></dates><urls></urls></record></Cite></EndNote>[1, 2] داده‌کاوی اطلاعاتی را از پایگاه داده‌ها استخراج می‌کند که از طریق کوئری‌ها و گزارش‌گیری‌ها قابل دست‌یابی نیستند.
رشد انفجاری داده‌های ذخیره شده در پایگاه داده‌ها، نیاز به تکنولوژی‌های جدید که بتوانند حجم عظیم داده‌ها را هوشمندانه به دانش مفید تبدیل کنند، را پدید آورده است. ADDIN EN.CITE <EndNote><Cite><Author>Chen</Author><Year>1996</Year><RecNum>106</RecNum><DisplayText>[3]</DisplayText><record><rec-number>106</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">106</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Chen, M.S.</author><author>Han, J.</author><author>Yu, P.S.</author></authors></contributors><titles><title>Data mining: an overview from a database perspective</title><secondary-title>Knowledge and Data Engineering, IEEE Transactions on</secondary-title></titles><periodical><full-title>Knowledge and Data Engineering, IEEE Transactions on</full-title></periodical><pages>866-883</pages><volume>8</volume><number>6</number><dates><year>1996</year></dates><isbn>1041-4347</isbn><urls></urls></record></Cite></EndNote>[3] دادهکاوی به معنای یافتن نیمه خودکار الگوهای پنهان در مجموعه دادههای موجود می‌باشد. ADDIN EN.CITE <EndNote><Cite><Author>Han</Author><Year>2005</Year><RecNum>1</RecNum><DisplayText>[4]</DisplayText><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Han, J.</author><author>Kamber, M.</author></authors></contributors><titles><title>Data mining: Concepts and Techniques, 2nd Edition</title><secondary-title>San Francisco, CA, itd: Morgan Kaufmann</secondary-title></titles><periodical><full-title>San Francisco, CA, itd: Morgan Kaufmann</full-title></periodical><dates><year>2005</year></dates><urls></urls></record></Cite></EndNote>[4] این تکنولوژی با دیگر تکنیک‌های تحلیل داده، که سیستم، مقادیر اولیه را می‌گیرد و خود، الگوهایی را تولید می‌کند، متفاوت است. داده‌کاوی توسط ابزارهای الگوریتمیک، الگوها، تغییرات، آنومالی‌ها، قوانین، و ساختارهای مهم آماری، و رویدادها را از مجموعه داده‌های عظیم استخراج می‌کند. ADDIN EN.CITE <EndNote><Cite><Author>R. Grossman</Author><Year>1999</Year><RecNum>107</RecNum><DisplayText>[5]</DisplayText><record><rec-number>107</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">107</key></foreign-keys><ref-type name="Conference Paper">47</ref-type><contributors><authors><author>R. Grossman,</author><author>S. Kasif,</author><author>R. Moore,</author><author>D. Rocke,</author><author>J. Ullman</author></authors></contributors><titles><title>Data mining research: Opportunities and challenges</title><secondary-title>A Report of Three Workshops on Mining Large, Massive and Distributed Data</secondary-title></titles><dates><year>1999</year></dates><urls></urls></record></Cite></EndNote>[5] می‌توان گفت که داده کاوی در جهت کشف اطلاعات پنهان و روابط موجود در بین دادههای فعلی و پیشبینی موارد نامعلوم و یا مشاهده نشده عمل میکند. برای انجام عملیات کاوش لازم است قبلاً روی دادههای موجود پیش پردازش‌هایی انجام گیرد. عمل پیش پردازش اطلاعات خود از دو بخش کاهش اطلاعات، و خلاصهسازی و کلیسازی دادهها تشکیل شده است. کاهش اطلاعات عبارت است از تولید یک مجموعه کوچک‌تر، از دادههای اولیه، که تحت عملیات دادهکاوی نتایج تقریباً یکسانی با نتایج دادهکاوی روی اطلاعات اولیه به دست دهد. ADDIN EN.CITE <EndNote><Cite><Author>Han</Author><Year>2005</Year><RecNum>1</RecNum><DisplayText>[4]</DisplayText><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Han, J.</author><author>Kamber, M.</author></authors></contributors><titles><title>Data mining: Concepts and Techniques, 2nd Edition</title><secondary-title>San Francisco, CA, itd: Morgan Kaufmann</secondary-title></titles><periodical><full-title>San Francisco, CA, itd: Morgan Kaufmann</full-title></periodical><dates><year>2005</year></dates><urls></urls></record></Cite></EndNote>[4] پس از انجام عمل کاهش اطلاعات و حذف خصایص غیر مرتبط نوبت به خلاصهسازی و کلیسازی دادهها می‌رسد. دادههای موجود در بانک‌های اطلاعاتی معمولاً حاوی اطلاعات در سطوح پایینی هستند، بنابراین خلاصهسازی مجموعه بزرگی از دادهها و ارائه آن به صورت یک مفهوم کلی اهمیت بسیار زیادی دارد. کلیسازی اطلاعات، فرآیندی است که تعداد زیادی از رکوردهای یک بانک اطلاعاتی را به صورت مفهومی در سطح بالاتر ارائه می‌نماید. تکنیک‌‌های دادهکاوی به چند دسته تقسیم میشوند که سه دسته اصلی عبارتند از خوشهبندی، طبقهبندی و کشف قواعد انجمنی. در ادامه هر یک از این روش‌ها را به طور کلی معرفی مینماییم.
2-2-1- خوشهبندی
فرآیند خوشهبندی سعی دارد که یک مجموعه داده را به چندین خوشه تقسیم نماید بطوریکه داده‌های قرار گرفته در یک خوشه با یکدیگر شبیه بوده و با دادههای خوشههای دیگر متفاوت باشند. در حال حاضر روش‌های متعددی برای خوشهبندی دادهها وجود دارد که بر اساس نوع دادهها، شکل خوشهها، فاصله دادهها و غیره عمل خوشهبندی را انجام میدهند. مهم‌ترین روش‌های خوشهبندی در زیر معرفی شدهاند:
2-2-1-1- روش‌های خوشه‌بندی مبتنی بر تقسیم‌بندیاین روش‌ها، دادههای موجود در یک مجموعه داده را به k خوشه تقسیم میکنند، بطوریکه هر خوشه دو خصوصیت زیر را داراست:
هر خوشه یا گروه حداقل شامل یک داده میباشد.
هر داده موجود در مجموعه داده دقیقاً به یک گروه یا خوشه تعلق دارد.
معیار اصلی در چنین مجموعه دادههایی میزان شباهت دادههای قرار گرفته در هر خوشه میباشد. در حالیکه داده‌های قرار گرفته در دو خوشه مختلف از نظر شباهت با یکدیگر فاصله زیادی دارند. مقدار k که به عنوان پارامتر استفاده میگردد، هم میتواند به صورت پویا تعیین گردد و هم اینکه قبل از شروع الگوریتم خوشهبندی مقدار آن مشخص گردد.
2-2-1-2- روش‌های سلسله مراتبی
روش‌های سلسله مراتبی به دو دسته کلی روش‌های پایین به بالا و روش‌های بالا به پایین تقسیم می‌گردند. روش‌های سلسله مراتبی پایین به بالا به این صورت عمل میکنند که در شروع هر کدام از دادهها را در یک خوشه جداگانه قرار میدهد و در طول اجرا سعی میکند تا خوشههایی نزدیک به یکدیگر را با هم ادغام نماید. این عمل ادغام تا زمانی که یا تنها یک خوشه داشته باشیم و یا اینکه شرط خاتمه برقرار گردد، ادامه مییابد. روش‌های بالا به پایین دقیقاً به طریق عکس عمل میکنند، به این طریق که ابتدا تمام دادهها را در یک خوشه قرار میدهد و در هر تکرار از الگوریتم، هر خوشه به خوشههای کوچک‌تر شکسته میشود و این کار تا زمانی ادامه مییابد که یا هر کدام از خوشهها تنها شامل یک داده باشند و یا شرط خاتمه الگوریتم برقرار گردد. شرط خاتمه معمولاً تعداد کلاستر یا خوشه میباشد.
2-2-1-3- روش‌های مبتنی بر چگالی
اکثر روش‌های خوشهبندی که به این روش عمل میکنند معمولاً از تابع فاصله به عنوان تابع معیار خود بهره میبرند. استفاده از چنین معیاری باعث میگردد که الگوریتم خوشهبندی تنها قادر به ایجاد خوشههایی با اشکال منظم باشد. در صورتیکه خوشههای واقعی در دادهها دارای اشکال غیر منظمی باشند، این الگوریتمها در خوشهبندی آن‌ها با مشکل مواجه میگردند. برای حل این‌گونه مشکلات یکسری از روش‌ها برای خوشهبندی پیشنهاد گردیدهاند که عمل خوشهبندی را بر مبنای چگالی دادهها انجام می‌دهند. ایده‌ی اصلی در این روش‌ها بر این اساس است که تا زمانی که دادههای قرار گرفته در همسایگی خوشه‌ها از حد معینی بیشتر باشند، آن‌ها رشد میکنند و بزرگ میشوند. چنین روش‌هایی قادرند خوشههایی با شکل‌های نامنظم نیز ایجاد نمایند.
البته دسته‌های دیگری از روش‌های خوشهبندی مانند روش‌های مبتنی بر گرید، روش‌های مبتنی بر مدل و غیره وجود دارند که میتوانید آن‌ها را در ADDIN EN.CITE <EndNote><Cite><Author>Han</Author><Year>2005</Year><RecNum>1</RecNum><DisplayText>[4]</DisplayText><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Han, J.</author><author>Kamber, M.</author></authors></contributors><titles><title>Data mining: Concepts and Techniques, 2nd Edition</title><secondary-title>San Francisco, CA, itd: Morgan Kaufmann</secondary-title></titles><periodical><full-title>San Francisco, CA, itd: Morgan Kaufmann</full-title></periodical><dates><year>2005</year></dates><urls></urls></record></Cite></EndNote>[4] مطالعه نمایید.
2-2-2- طبقهبندیفرایند طبقهبندی در واقع نوعی یادگیری با ناظر میباشد که در طی دو مرحله انجام میگردد. در مرحله اول مجموعهای از دادهها که در آن هر داده شامل تعدادی خصوصیت دارای مقدار و یک خصوصیت بنام خصوصیت کلاس میباشد، برای ایجاد یک مدل داده بکار میروند که این مدل داده در واقع توصیف کننده مفهوم و خصوصیات آن مجموعه دادهها است. مرحله دوم فرآیند طبقهبندی، اعمال یا بکارگیری مدل ایجاد شده، بر روی داده‌هایی است که شامل تمام خصوصیات دادههایی که برای ایجاد مدل بکار گرفته شدهاند، میباشند، بجز خصوصیت کلاس، و هدف از عمل طبقهبندی نیز تخمین مقدار این خصوصیت میباشد.
الگوریتمها و روش‌های مختلفی برای طبقهبندی تاکنون پیشنهاد شدهاند که برای مثال میتوان از روش‌های طبقهبندی با استفاده از درخت تصمیم، طبقهبندی بیزین، SVM، طبقهبندی با استفاده از شبکه‌های عصبی، طبقهبندی مبتنی بر قواعد و غیره نام برد. ADDIN EN.CITE <EndNote><Cite><Author>Mitchell</Author><Year>1997</Year><RecNum>2</RecNum><DisplayText>[6]</DisplayText><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">2</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Mitchell, T.M.</author></authors></contributors><titles><title>Machine learning. 1997</title><secondary-title>Burr Ridge, IL: McGraw Hill</secondary-title></titles><periodical><full-title>Burr Ridge, IL: McGraw Hill</full-title></periodical><dates><year>1997</year></dates><urls></urls></record></Cite></EndNote>[6] در اینجا ما قصد نداریم وارد مباحث مربوط به الگوریتمها و روش‌های طبقهبندی شویم و تنها روش طبقهبندی مبتنی بر قواعد را معرفی خواهیم نمود. در صورت نیاز به مطالعه بیشتر میتوانید به مرجع ADDIN EN.CITE <EndNote><Cite><Author>Han</Author><Year>2005</Year><RecNum>1</RecNum><DisplayText>[4]</DisplayText><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Han, J.</author><author>Kamber, M.</author></authors></contributors><titles><title>Data mining: Concepts and Techniques, 2nd Edition</title><secondary-title>San Francisco, CA, itd: Morgan Kaufmann</secondary-title></titles><periodical><full-title>San Francisco, CA, itd: Morgan Kaufmann</full-title></periodical><dates><year>2005</year></dates><urls></urls></record></Cite></EndNote>[4] مراجعه نمایید.
2-2-2-1- طبقهبندی مبتنی بر قواعددر این قسمت قصد داریم نگاهی به بحث طبقهبندی مبتنی بر قواعد داشته باشیم. در این روش، مدل ایجاد شده از روی دادهها به صورت مجموعهای از قواعد میباشد. میتوان گفت که هر قاعده به صورت یک قاعده IF P THEN C میباشد که در آن P مجموعهای از شرایط بوده و C نیز مشخص کننده برچسب یک کلاس یا طبقه خاص میباشد. یک قاعده بدست آمده از مجموعه دادههای آموزشی با استفاده از دو معیار coverage و accuracy میتواند ارزیابی گردد. این دو معیار به صورت زیر تعریف میگردند:
(2-1)
(2-2)
که در تعاریف مذکور تعداد دادههایی در مجموعه داده D است که توسط قاعده پوشش داده میشوند. تعداد دادههایی است که توسط قاعده به درستی طبقهبندی شدهاند. |D| تعداد داده‌های موجود در D میباشد.
نکته مهمی که باید اینجا به آن اشاره کرد این بحث است که چگونه دادهها توسط این قواعد طبقه‌بندی میگردند. همان‌طور که اشاره گردید این قواعد دارای یک قسمت شرط (P) و یک قسمت C هستند. P یک الگو به صورت میباشد که هر کدام از piها بیان کننده‌ی یک محدودیت برای یکی از خصوصیات هستند. اگر خصوصیات دادهای محدودیتهای مذکور قاعدهای را برآورده سازد آنگاه کلاس یا طبقهبند آن داده، کلاس یا طبقهای است که آن قاعده بیان میکند(C). اما مسأله مهمی که اینجا پیش میآید، این است که اگر یک داده در قسمت شرط (P) بیش از یک قاعده صدق کند، آنگاه کدام قاعده را باید انتخاب کرد. بسته به استراتژیهای مختلف، این مشکل جواب‌های مختلفی می‌تواند داشته باشد. دو نمونه از مهم‌ترین استراتژیهایی که معمولاً برای حل این مشکل بکار میروند، استراتژی‌های مرتب‌سازی بر اساس اندازه و مرتب‌سازی بر اساس قاعده میباشند.
در استراتژی مرتب‌سازی بر اساس اندازه، چنانچه یک داده در بیش از یک قاعده صدق کند، قاعده‌ای برای طبقهبندی داده انتخاب میشود که خصوصیات بیشتری را برای مشخص نمودن کلاس داده تست کرده باشد. در استراتژی مرتب‌سازی بر اساس قاعده، پیش قواعد اولویت دهی میشوند و هنگام طبقهبندی، قاعده با اولویت بالاتر، مشخص کننده کلاس داده خواهد بود. اولویت‌دهی به قواعد هم به طرق مختلفی ممکن است انجام گردد. برای مثال ممکن است که ابتدا کلاس‌ها اولویتدهی شوند و قواعد مربوط به هر کلاس نیز با تأثیر پذیری از این اولویت‌دهی، اولویت بگیرند. اولویت کلاس‌ها نیز ممکن است بر اساس اهمیت کلاس یا تعداد دادههای متعلق به آن کلاس و یا غیره مشخص گردند. استراتژیهای دیگری نیز در این زمینه وجود دارند که ما در اینجا درباره آن‌ها صحبت نمیکنیم. مسأله دیگری که ممکن است پیش بیاید این است که یک داده با هیچ‌کدام از قواعد هم‌خوانی نداشته باشد. برای این مسأله هم میتوان راهحل‌هایی ارائه نمود. معمولترین راهحل این است که چنانچه دادهای با هیچ‌یک از قواعد هم‌خوانی نداشت، کلاسی به عنوان کلاس آن داده انتخاب گردد که بیشترین تعداد داده در بین دادهها به آن کلاس تعلق دارد.
مورد دیگری هم که اینجا قابل ذکر است این مطلب است که قواعدی که برای طبقهبندی استفاده میشوند، چگونه ایجاد میگردند. البته ما نمیخواهیم در اینجا وارد جزئیات مربوط به استخراج قواعد از دادههای آموزشی شویم. برای استخراج قواعد از مجموعه دادههای آموزشی معمولاً از دستهای از الگوریتم‌ها بنام الگوریتم‌های SCA استفاده میگردد که این الگوریتم‌ها در هر مرحله یک قاعده را از دادههای آموزشی یاد گرفته و دادههایی را که از آن قاعده پیروی میکنند را از مجموعه دادههای آموزشی خود حذف میکنند و با دادههای باقی‌مانده، کار خود را ادامه می‌دهند. از نمونه الگوریتم‌های معروف SCA میتوان به AQ، CN2 و RIPPER اشاره نمود. البته قابل ذکر است که برای کشف قواعد میتوان از روش‌های ایجاد درخت تصمیم و یا کشف قواعد انجمنی نیز استفاده نمود. در درخت تصمیم هر مسیر از ریشه تا یک برگ را میتوان به عنوان قسمت P قاعده در نظر گرفت و کلاسی که برگ مشخص میکند، قسمت C خواهد بود. در مورد نحوه استفاده از روش‌های کشف قواعد انجمنی و استفاده از آن‌ها برای طبقه‌‌بندی نیز میتوانید به ADDIN EN.CITE <EndNote><Cite><Author>Bing</Author><Year>1998</Year><RecNum>3</RecNum><DisplayText>[7, 8]</DisplayText><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">3</key></foreign-keys><ref-type name="Conference Proceedings">10</ref-type><contributors><authors><author>Bing, Liu.</author><author>Wynne, Hsu.</author><author>Yiming, Ma.</author></authors></contributors><titles><title>Integrating classification and association rule mining</title><secondary-title>KDD</secondary-title></titles><pages>80-86</pages><dates><year>1998</year></dates><pub-location>New York City, New York, USA.</pub-location><urls></urls></record></Cite><Cite><Author>Bing</Author><Year>2000</Year><RecNum>4</RecNum><record><rec-number>4</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">4</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Bing, Liu.</author><author>Yiming, Ma.</author><author>Ching Kian, Wong.</author></authors></contributors><titles><title>Improving an association rule based classifier</title><secondary-title>Principles of Data Mining and Knowledge Discovery</secondary-title></titles><periodical><full-title>Principles of Data Mining and Knowledge Discovery</full-title></periodical><pages>293-317</pages><dates><year>2000</year></dates><urls></urls></record></Cite></EndNote>[7, 8] مراجعه کنید.
2-2-3- کشف قواعد انجمنیسازمان‌های کسب و کار، اغلب حجم عظیمی از داده‌ها را از عملیات روزانه جمع آوری می‌کنند. به عنوان مثال، حجم عظیمی از داده‌ها از خریدهای روزانه مشتریان در فروشگاه‌های خرده فروشی بدست می‌آید. استخراج قواعد انجمنی، نوعی از عملیات داده کاوی است که به تجزیه و تحلیل داده و جستجو برای یافتن ارتباط بین ویژگی‌ها از قبیل اینکه مشتریان کدام اقلام را هم‌زمان خریداری می‌کنند، می‌پردازد. نام دیگر روش کشف قواعد انجمنی، تحلیل سبد بازار می‌باشد. به عبارت دیگر، قواعد انجمنی، مطالعه ویژگی‌ها یا خصوصیاتی می‌باشد که با یکدیگر همراه بوده و به دنبال استخراج قواعد از میان این خصوصیات می‌باشد. این روش به دنبال استخراج قواعد به منظور کمی کردن ارتباط میان دو یا چند خصوصیت است. قواعد انجمنی به شکل اگر و آنگاه به همراه دو معیار پشتیبان و اطمینان تعریف می‌شوند.
در اینجا به مثال‌هایی از کاربرد قوانین انجمنی اشاره می‌شود:
بررسی ارتباط بین توانایی خواندن کودکان با خواندن داستان توسط والدین برای آن‌ها.
بررسی اینکه چه اقلامی در یک فروشگاه با یکدیگر خریداری می‌شوند و اینکه چه اقلامی هیچ‌گاه با یکدیگر خریداری نمی‌شوند.
تعیین سهم نمونه‌ها در بررسی تأثیرات خطرناک یک داروی جدید.
قواعد انجمنی، ماهیتا قواعد احتمالی هستند. به عبارت دیگر قاعده لزوماً قاعده را نتیجه نمی‌دهد، زیرا این قاعده ممکن است از شرط حداقل پشتیبان برخوردار نباشد. به طور مشابه قواعد و لزوماً قاعده را نتیجه نمی‌دهند زیرا قاعده اخیر ممکن است از شرط حداقل اطمینان برخوردار نباشد. ADDIN EN.CITE <EndNote><Cite><Author>Han</Author><Year>2005</Year><RecNum>1</RecNum><DisplayText>[4]</DisplayText><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Han, J.</author><author>Kamber, M.</author></authors></contributors><titles><title>Data mining: Concepts and Techniques, 2nd Edition</title><secondary-title>San Francisco, CA, itd: Morgan Kaufmann</secondary-title></titles><periodical><full-title>San Francisco, CA, itd: Morgan Kaufmann</full-title></periodical><dates><year>2005</year></dates><urls></urls></record></Cite></EndNote>[4]
2-2-3-1- تعاریف و مفاهیم اصلی در قواعد انجمنیI = {I1, I2, …, Im} : مجموعه اقلام خریداری شده است.
T: هر زیرمجموعه‌ای از I می‌باشد که از آن به عنوان تراکنش یاد می‌شود.
D: مجموعه تراکنش‌های موجود در T است.
TID: شناسه منحصر به فرد و یکتایی است که به هر یک از تراکنش‌ها اختصاص می‌یابد.
نمای کلی یک قاعده انجمنی به شکل زیر می‌باشد:
[پشتیبان , اطمینان]

به طوری که داریم:
پشتیبان (X, Y): نشان دهنده‌ی درصد یا تعداد مجموعه تراکنش‌های D است که شامل هر دوی X و Y باشند.
اطمینان: میزان وابستگی یک کالای خاص را به دیگری بیان می‌کند و مطابق فرمول زیر محاسبه می‌شود:
(2-3) (X) پشتیبان / ()پشتیبان = (Y X,) اطمینان
این شاخص درجه‌ی وابستگی بین دو مجموعه X و Y را محاسبه می‌کند و به عنوان شاخصی برای اندازه‌گیری توان یک قاعده در نظر گرفته می‌شود. غالباً قاعده‌هایی انتخاب می‌شوند که عدد اطمینان بزرگی داشته باشند.
فرض کنید اطلاعات مشتریانی که محصول X را خریده‌اند، همچنین علاقه دارند در همان زمان از محصول Y نیز بخرند، در قاعده انجمنی زیر نشان داده شده است:
(پشتیبان = 20% و اطمینان = 60%)
شاخص‌های اطمینان و پشتیبان قواعد بیانگر جذابیت آن‌ها هستند. این دو شاخص به ترتیب مفید بودن و اطمینان از قواعد مکشوفه را نشان می‌دهند. پشتیبان 20% برای قاعده انجمنی فوق به این معنی است که 20% همه‌ی تراکنش‌های موجود نشان می‌دهند که کالای X و Y با هم خریداری شده‌اند. اطمینان 60% به این معنی است که60% مشتریانی که کالای X را خریده‌اند، کالای Y را نیز خریداری کرده‌اند.
اگر مجموعه‌ای از عناصر حداقل پشتیبانی لازم را داشته باشند مکرر خوانده می‌شوند. قواعد قوی، قواعدی هستند که به طور توأمان دارای مقدار پشتیبان و اطمینان بیش از مقدار آستانه باشند. با استفاده از این مفاهیم، پیدا کردن قواعد انجمنی در دو گام خلاصه می‌شود، یعنی پیدا کردن مجموعه‌های مکرر و استخراج قواعد قوی.
2-2-3-1-1- تقسیم بندی قواعد انجمنیبر اساس ارزش عناصر درون قواعد، می‌توان قواعد را به انواع دودویی و کمی تقسیم کرد، در مثال زیر، قاعده اولی دودویی و دومی، کمی است.
]60% = confidence ,2% Computer Financial management software [sup =
Buys (X, high resolution TV)
بر اساس ابعاد یک قاعده می‌توان آن را تک بعدی یا چند بعدی نامید. قاعده زیر، فقط بعد خرید را شامل می‌شود.
Buys (X, Computer) Buys (X, “Financial management software”)
اما قاعده‌ی زیر سه بعدی است، و ابعاد سن، درآمد و خرید را شامل می‌شود.

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

(X, high resolution TV) Buys ("k48.. k42" X,) and income ("39..30" X,) Age
از آنجایی که داده‌ها می‌توانند در سطوح و یا مقیاس‌های مختلف تعریف شوند، قواعد را می‌توان بر اساس این سطوح خلاصه نمود. مراتب خلاصه‌سازی و اینکه آیا قواعد در یک سطح هستند یا در چند سطح، می‌تواند مبنای تقسیم‌بندی باشد.
2-2-3-1-2- استخراج قواعد تک‌سطحی تک بعدی دودوییقبل از ارائه الگوریتم‌های استخراج قواعد، نمادها و قراردادهایی را به منظور درک بهتر این الگوریتم‌ها مطرح می‌کنیم.
اقلام مطابق با قاعده ترتیب حروف الفبا چیده می‌شوند، به عنوان مثال، اگر باشد، مطابق این قاعده، باید رابطه‌ی برقرار باشد.
در تمامی این الگوریتم‌ها مراحلی که طی می‌شوند به قرار زیر می‌باشند:
گام اول: در اولین گذر، پشتیبان هر یک از اجزا محاسبه شده، و اقلام مکرر (با بیشترین میزان فراوانی) با در نظر گرفتن آستانه حداقل پشتیبان انتخاب می‌شوند. (LK)
گام دوم: در هر گذر، اقلام مکرر که از فاز قبلی، محاسبه شده‌اند برای ایجاد اقلام کاندیدا به کار می‌روند. (CK)
گام سوم: پشتیبان هر یک از CK ها محاسبه شده، و بزرگ‌ترین آن‌ها انتخاب می‌شود. این کار تا زمانی که هیچ قلم بزرگ‌تری یافت نشود، ادامه می‌یابد.
در هر فاز پس از یافتن اقلام بزرگ (LK)، می‌توان قواعد مطلوب را به صورت زیر استخراج کرد:
برای تمامی اقلام مکرر L همه‌ی زیرمجموعه‌های غیرتهی آن را (s) در نظر می‌گیریم. برای تمامی این زیرمجموعه‌ها، یک قاعده به صورت زیر استخراج می‌کنیم:
"s (L – s)" این قاعده در صورتی برقرار می‌شود که اطمینان حاصل از آن بزرگ‌تر یا مساوی حداقل اطمینان در نظر گرفته شده توسط کاربر باشد، به بیان دیگر اگر رابطه‌ی زیر برقرار باشد، قاعده‌ی فوق پذیرفته می‌شود و در غیر این صورت این قاعده لغو می‌شود.
(2-4) حداقل اطمینان ( (s) پشتیبان / (L) پشتیبان)
پروسه استخراج قواعد انجمنی عبارت است از:
ابتدا همه‌ی اقلام مکرر را که بیشتر یا مساوی با آستانه‌ی پشتیبان هستند بیابید.
برای تمامی اقلام مکرر، همه‌ی زیر مجموعه‌های آن‌ها را استخراج کنید.
همه‌ی قواعد ممکن را استخراج کنید.
قواعدی را بپذیرید که از بیشتر و یا آستانه‌ی اطمینان برخوردار باشند.
در اینجا برای پیدا کردن این قواعد از الگوریتم ساده Apriori یا الگوریتم پیش‌نیاز استفاده می‌کنیم. فرض کنید که ابتدا باید تمام مجموعه‌های تک عضوی مکرر را پیدا کنید، سپس بر اساس آن مجموعه‌های دو عضوی مکرر را پیدا کنید و الی آخر. در هر مرحله باید کل فضا جستجو شود اما این الگوریتم از خصوصیت Apriori استفاده می‌کند به این صورت که "اگر مجموعه‌ای از عناصر مکرر باشد، تمام زیرمجموعه‌های غیر تهی آن نیز مکرر خواهند بود".
هر زیر مجموعه‌ی یک مجموعه مکرر، خود نیز مکرر است. این خصوصیت را این‌گونه نیز می‌توان توصیف کرد: اگر مجموعه I به تعداد مشخصی تکرار شده باشد و اگر ما A را به آن اضافه کنیم تعداد تکرار این مجموعه از مجموعه قبلی بیشتر نخواهد بود. پس اگر اولی مکرر نباشد دومی نیز مکرر نخواهد بود. این الگوریتم از این خصوصیت استفاده می‌کند و در اینجا عملکرد آن را شرح می‌دهیم: می‌دانیم که از یک زیرمجموعه 1-k عضوی یا همان Lk-1 برای به دست آوردن Lk یعنی مجموعه‌های k عضوی استفاده می‌شود. این کار در دو مرحله صورت می‌گیرد، ابتدا باید مجموعه‌ای از اعضا پیدا شود که با ترکیب LK-1 با آن‌ها Lk به دست آید. این مجموعه از عناصر را Ck نامیده و مرحله به دست آوردن آن‌ها را پیوست می‌نامیم. مرحله بعد اضافه کردن این عناصر به مجموعه‌های قبلی است که آن را مرحله هرس می‌نامیم. در زیر این دو مرحله شرح داده می‌شوند.
2-2-3-1-2-1- مرحله پیوستابتدا باید مطمئن شویم که عناصر بر مبنای ترتیب حروف الفبا مرتب شده‌اند. دو مجموعه از Lk-1 با یکدیگر قابل پیوست هستند اگر 2-k عنصر اول آن‌ها با یکدیگر برابر باشند. یعنی: توجه کنید که دو عنصر آخر مرتب شده‌اند و از وجود عناصر تکراری جلوگیری می‌کنند. با اجتماع دو مجموعه قابل پیوست، آن دو مجموعه ترکیب می‌شوند.
با این روش، مجموعه ترکیب شده حاصل k عضو خواهد داشت که البته عنصر آخر (از نظر ترتیبی) از مجموعه دوم خواهد بود. در مثال زیر دو مجموعه (4، 2، 1) و (3، 2، 1) را در نظر بگیرید: مجموعه اول و دوم مرتب هستند و داریم: 4>3>2>1 پس می‌توان مجموعه ترکیب شده زیر را به دست آورد.
364680519304000(3 2 1) = مجموعه‌ی اول = LK-1
|| ||
364680518859500(4 3 2 1) = مجموعه‌ی ترکیب شده = Ck
|| ||
(4 2 1) = مجموعه‌ی دوم = LK-1
2-2-3-1-2-2- مرحله هرسCk مجموعه‌ای از Lkها است که هر عنصر آن یا مکرر است یا خیر، اما تمام عناصر مکرر در آن قرار دارند. حال تمام عناصر این مجموعه باید بررسی شوند تا مکرر بودن آن‌ها مشخص شود اما چون ممکن است تعداد آن‌ها زیاد باشد لذا برای کاهش حجم محاسبات از اصل Apriori استفاده می‌شود. به این صورت اگر یکی از زیرمجموعه‌های این مجموعه مکرر نباشد آن مجموعه نیز مکرر نخواهد بود. بنابراین برای پیدا کردن مجموعه‌های مکرر کافی است مجموعه‌های غیر مکرر را از آن‌ها جدا کنیم به این صورت که اگر عضوی از Ck در Lk-1 نباشد مکرر نیز نخواهد بود.
2-2-3-1-3- محاسبه اطمینان و استخراج قواعد نهاییپس از آنکه مجموعه‌های قوی استخراج شدند حال نویت استخراج قواعد است:
(2-5) اطمینان
برای هر مجموعه مکرر L تمام زیر مجموعه‌های غیرتهی را در نظر می‌گیریم. برای هر زیر مجموعه‌ی s قواعد را به صورت زیر شکل می‌دهیم. "s (L - s)" سپس اطمینان را حساب کرده و اگر بیشتر از حداقل قابل قبول بود آن را می‌پذیریم.
2-3- دادهکاوی توزیع شدهدادهکاوی توزیع شده عبارت است از کشف نیمه خودکار الگوهای پنهان موجود در دادهها، در حالتی که دادهها و یا مکانیزم‌های استنتاج، به صورت توزیع شده باشند. غیرمتمرکز بودن دادهها بدان معناست که داده‌ها به صورت توزیع شده بین دو یا چند سایت بوده و هزینه انتقال تمام یا بخشی از دادهها به یک سایت مرکزی، قابل صرف‌نظر نباشد. توزیع شده بودن مکانیزم‌های استنتاج، به معنای لزوم لحاظ کردن هزینه ارتباط بین مکانیزم‌های مختلف در حال استخراج دانش می‌باشد. این توزیع‌شدگی ممکن است به دلایل مختلفی از جمله ارائه شدن مکانیزم استخراج دانش در قالب یک سرویس اینترنتی و یا صرفاً ناشی از توزیع‌شدگی دادهها باشد. چنین رویکردی به دادهکاوی، برخلاف جهت کلی تحقیقات انجام شده است که به طور عمده به تکنیک‌های متمرکز پرداخته و نه فقط بر تمرکز، که بر همگونی و ساختار مسطح (در مقابل ساختار رابطهای) دادههای هدف متکی میباشند. مسائلی نظیر استخراج دانش در حالت عدم دسترسی به تمام دادههای موجود، برقراری ارتباط موثر و بهینه با سایر مکانیزم‌های در حال استخراج دانش و نیز تبادل دانش یا اطلاعات میانی به جای اطلاعات خام، فقط تعدادی از مسائل اولیه دادهکاوی توزیع شده با توجه به تعریف آن میباشند. بنابراین، دادهکاوی توزیع شده در عین حال که به عنوان راه حلی کلیدی برای مشکلات اصلی پیش روی دادهکاوی مطرح میباشد، خود سرمنشأ چالش‌ها و مسائل متعددی گردیده است؛ حل مؤثر این مشکلات منجر به استفاده هرچه بیشتر از دادهکاوی و ایجاد امکانات جدید و بهرهبرداری از پتانسیل‌های موجود در قلمروهائی خواهد شد که علیرغم نیاز مبرم به دادهکاوی، استفاده بسیار محدودی از آن به عمل میآورند.
بحث دادهکاوی توزیع شده به طور کلی از دو جهت قابل بررسی میباشد. اول حالتی که در آن دادهها به صورت همسان بین پایگاه‌های مختلف توزیع شدهاند و دادههای هر پایگاه تمام خصوصیات را دارا هستند. در این حالت دادهها ممکن است ذاتاً توزیع شده باشند و یا اینکه دادههای متمرکز به دلایل امنیتی یا غیره بین پایگاه‌های مختلف تقسیم شده باشند. اصطلاحاً به این حالت ، تقسیم شده به صورت افقی نیز گفته میشود. ADDIN EN.CITE <EndNote><Cite><Author>Kargupta</Author><Year>2004</Year><RecNum>6</RecNum><DisplayText>[9]</DisplayText><record><rec-number>6</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">6</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Kargupta, H.</author><author>Joshi, A.</author><author>Sivakumar, K.</author><author>Yesha, Y.</author></authors></contributors><titles><title>Data mining: Next generation challenges and future directions</title></titles><dates><year>2004</year></dates><publisher>AAAI Press</publisher><isbn>0262612038</isbn><urls></urls></record></Cite></EndNote>[9] حالت دوم حالتی است که در آن دادههای موجود در هر پایگاه داده دارای خصوصیت‌های مختلف میباشند. معمولاً در این موارد دادهها خود بین پایگاه‌های مختلف تقسیم گردیدهاند و ذاتاً توزیع شده نیستند. از اینرو به این حالت تقسیم شده عمودی نیز گفته میشود. ADDIN EN.CITE <EndNote><Cite><Author>Kargupta</Author><Year>2004</Year><RecNum>6</RecNum><DisplayText>[9]</DisplayText><record><rec-number>6</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">6</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Kargupta, H.</author><author>Joshi, A.</author><author>Sivakumar, K.</author><author>Yesha, Y.</author></authors></contributors><titles><title>Data mining: Next generation challenges and future directions</title></titles><dates><year>2004</year></dates><publisher>AAAI Press</publisher><isbn>0262612038</isbn><urls></urls></record></Cite></EndNote>[9] برای ایجاد ارتباط بین خصوصیت‌های مختلفی که در پایگاه‌های مختلف نگهداری میشوند اما متعلق به یک داده هستند، معمولاً یک خصوصیت مشترک که به عنوان شناسه مورد استفاده قرار میگیرد، بین تمام پایگاه‌های مختلف نگهداری میشود که رکوردهای مختلف را بهم ارتباط میدهد.
در دادهکاوی توزیع شده نیز مسأله کشف و استخراج دانش مشابه دادهکاوی عادی در زمینههای خوشهبندی توزیع شده، کشف قواعد وابستگی به صورت توزیع شده و طبقهبندی توزیع شده (که با نام یادگیری توزیع شده طبقهبند هم از آن نام برده میشود) مورد تحقیق و بررسی قرار می‌گیرد. ضمن اینکه در بحث دادهکاوی توزیع شده، مسأله مربوط به محرمانگی دادهها حتماً باید مدنظر قرار گیرد. برای مطالعه بیشتر در مورد دادهکاوی توزیع شده میتوانید به مرجع ADDIN EN.CITE <EndNote><Cite><Author>Kargupta</Author><Year>2004</Year><RecNum>6</RecNum><DisplayText>[9]</DisplayText><record><rec-number>6</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">6</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Kargupta, H.</author><author>Joshi, A.</author><author>Sivakumar, K.</author><author>Yesha, Y.</author></authors></contributors><titles><title>Data mining: Next generation challenges and future directions</title></titles><dates><year>2004</year></dates><publisher>AAAI Press</publisher><isbn>0262612038</isbn><urls></urls></record></Cite></EndNote>[9] مراجعه نمایید.
2-4- عامل‌ها و سیستم‌های چندعامله
از آنجا که در طول این پایان نامه با مفهوم عامل و سیستمهای چندعامله سرو کار خواهیم داشت، لذا به نظر میرسد ضروری است تا ابتدا با مفهوم عامل و سیستم‌های چندعامله بیشتر آشنا شویم و برخی از خصوصیات آن‌ها را که در طول پایان نامه استفاده خواهیم کرد، را بیان نماییم.
2-4-1- عاملبا توجه به آنکه از این به بعد به طور گستردهای با عاملها سروکار خواهیم داشت، داشتن تعریفی یکنواخت از عامل در طول گزارش ضروری به نظر میرسد. تعاریف متعددی برای عامل وجود دارد که هیچیک دیگری را نقض نمی‌کنند، بلکه رابطه تعاریف موجود با یکدیگر را میتوان یک رابطه مکمل دانست. به بیان دیگر، تعاریف موجود در مورد عامل، تکمیلکننده یکدیگر میباشند.
یک تعریف مختصر و در عین حال نسبتاً کامل و دربردارنده خصوصیات مورد نظر ما از عامل به شرح زیر می‌باشد:
یک سیستم (نرمافزار) کامپیوتری که خودکار بوده و دارای قابلیتهای اجتماعی، توانائی واکنش و برنامهریزی برای آینده میباشد. ADDIN EN.CITE <EndNote><Cite><Author>Weiss</Author><Year>1999</Year><RecNum>7</RecNum><DisplayText>[10]</DisplayText><record><rec-number>7</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">7</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Weiss, G.</author></authors></contributors><titles><title>Multiagent sys--s: a modern approach to distributed artificial intelligence</title></titles><dates><year>1999</year></dates><publisher>The MIT press</publisher><isbn>0262731312</isbn><urls></urls></record></Cite></EndNote>[10]
در تعریف فوق، خودکار بودن به معنای انجام عملیات بدون دخالت مستقیم کاربر (انسان) میباشد. توانائی واکنش، عبارت است از توانائی پاسخ به محیط. بدیهی است که این پاسخ به محیط باید به موقع انجام شود. توانائی برنامهریزی برای آینده، به معنای داشتن هدف است. هدفدار بودن نه یک مفهوم انتزاعی، بلکه به معنای مشاهده رفتار هدفدار از سوی عامل است. در اینجا قصد نداریم یک بحث طولانی را در مورد نکات بسیار زیادی که در تعریف فوق وجود دارد آغاز کنیم اما چند نکته را به ضرورت بیان میکنیم.
اولین مسئلهای که در تعریف فوق حائز اهمیت فراوان میباشد، مسئله رفتار هوشمند است. همان‌گونه که مشاهده میشود، اثری از مفهوم هوشمندی در تعریف ارائه شده از عامل وجود ندارد؛ حال آنکه در مطالعات و بررسیهای انجام شده روی عامل، هوشمندی از نکات کلیدی است. سوال مطرح در اینجا آن است که آیا ما قصد داریم بدون در نظر گرفتن هوشمندی به بررسی و استفاده از عامل بپردازیم؟ پاسخ این سوال در تعریف ارائه شده وجود دارد: ترکیب صفات خودکار بودن، قابلیت واکنش و برنامهریزی برای آینده، میتواند از یک منظر به عنوان وجود هوش تلقی شود. این امر با توجه به این نکته مهم، بیشتر تجلی مییابد که پیادهسازی هیچ یک از سه مورد فوق، به تنهایی، در یک سیستم کامپیوتری، چندان مشکل نیست. در حقیقت سیستمهای کامپیوتری زیادی وجود دارند که خودکار بودن و رفتار صرفاً واکنشی، یا خودکار بودن و رفتار برنامه‌ریزی برای آینده را به صورت هم‌زمان دارا میباشند؛ آنچه که میتواند مسئله را پیچیده ساخته و نمادی از هوش باشد، ترکیب صحیح رفتار واکنشی و برنامهریزی برای آینده است؛ کاری که حتی برای انسانها نیز چندان ساده نیست. انتخاب نوع رفتار واکنشی و مقطع زمانی صحیح برای واکنش به محیط، ضروری است. از سوی دیگر، برنامهریزی برای آینده، اقدامی لازم برای پیشرفت و بهبود میباشد. حال یک مسئله مهم، نحوه ترکیب این دو رفتار کلیدی با یکدیگر و دست‌یابی به یک حالت تعادل مناسب است که در آن، عامل ضمن واکنش مناسب به تغییرات محیط، هدف یا اهداف خود را نیز دنبال مینماید. برای پیادهسازی این رفتار هوشمند، راهحلها و معماریهای مختلفی ارائه شده است، اگرچه تمام این راه‌حلها، چنین تعریفی را از هوشمندی ندارند.
2-4-1-1- مقایسه عامل با شیءاشیاء در محیط به صورت مجموعهای از صفات و قابلیتها در نظر گرفته میشوند. شی بر روی وضعیت داخلی خودش کنترل دارد و میتوان گفت شی نوعی خود مختاری بر روی وضعیت خودش به نمایش می‌گذارد. عامل‌ها در واقع اشیاء فعال هستند، یعنی هر عامل دارای یک موجودیت فعال و دارای رشته کنترلی مختص خود است. به عبارت دیگر عامل مستقل از دیگران و بدون نیاز به کنترل توسط عامل‌های دیگر و یا انسان قادر به حیات است. اگر عامل بتواند عملی را انجام دهد و عامل دیگری از این عامل بخواهد که این عمل را برایش انجام دهد، عامل در انجام این عمل خود مختار است. شی بر خلاف عامل بر روی رفتار خودش کنترلی ندارد. یعنی اگر شی متد m را برای فراخوانی در اختیار اشیاء دیگر بگذارد، آنگاه در صورتی که متد از نظر دسترسی عمومی باشد، دیگر شی بر روی اجرای متد کنترلی ندارد. واضح است که متد شیء باید برای اغلب شیء های دیگر در دسترس باشد، زیرا در یک سیستم شیگرا، شیهای تشکیل دهنده سیستم از طریق همکاری با یکدیگر و فراخوانی متدهای یکدیگر باعث انجام اعمال مختلف سیستم می‌شوند، بنابراین در سیستمهای شیگرا، مرکز تصمیمگیری در ارتباط با انجام یک عمل در شی، فراخوانی کننده متد شی دیگر است، اما در سیستم‌های چندعامله این مرکز تصمیمگیری، در عامل دریافت کننده درخواست، برای انجام عمل به خصوص میباشد. همچنین عامل‌ها دارای اشیاء دارای هدف میباشند. در راستای هدف‌گرا بودن عامل، نیاز به خودمختاری نیز اهمیت دارد به طوری که عامل‌ها با توجه به هدف تعریف شده بدون دخالت عامل‌های دیگر به انجام اعمال خود می‌پردازند. ارتباطات بین اشیاء از طریق فراخوانی توابع که به صورت مجموعه‌ای از مسئولیت‌های از پیش تعریف شده هستند صورت می‌گیرد، در حالیکه در عامل‌ها ارتباطات از طریق زبان‌های ارتباطی است که هیچ مجموعه‌ای از پیام‌ها و یا موجودیت‌های از پیش تعریف شده وجود ندارد.
به طور کلی تفاوت بین اشیاء و عامل‌ها را می‌توان به صورت زیر خلاصه کرد:
عامل‌ها نسبت به اشیاء خود مختار هستند. عامل‌ها خودشان نسبت به انجام درخواست عامل دیگر تصمیم می‌گیرند.
عامل‌ها قابلیت رفتار انعطاف پذیر دارند. در مدل استاندارد شی گرا این قابلیت‌ها در نظر گرفته نمی‌شود.
عامل‌ها فعال هستند.
ارتباطات بین اشیاء از طریق فراخوانی توابع و ارتباطات در عامل‌ها از طریق زبان‌های ارتباطی است.
عامل‌ها هدف گرا هستند.
جدول 2- SEQ جدول_2- \* ARABIC 1: ویژگی‌های یک عاملویژگی واژه لاتین توصیف ویژگی
خودمختاری Autonomy این بدان معنی است که عامل می‌تواند بدون دخالت مستقیم انسان یا عامل‌های دیگر به فعالیت بپردازد، و بر اقدامات خود و شرایط داخلی کنترل دارد. ADDIN EN.CITE <EndNote><Cite><Author>Sycara</Author><Year>1998</Year><RecNum>9</RecNum><DisplayText>[11]</DisplayText><record><rec-number>9</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">9</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Sycara, K. P.</author></authors></contributors><titles><title>Multi-agent Sys--s</title><secondary-title>AI magazine, Intelligent Agents</secondary-title></titles><periodical><full-title>AI magazine, Intelligent Agents</full-title></periodical><pages>79-92</pages><volume>19</volume><number>2</number><dates><year>1998</year></dates><urls></urls></record></Cite></EndNote>[11]
موقعیت گرا یا واکنشی Reactivity or situatedness or sensing and acting این بدان معنی است که عامل، ورودی‌های حسی را از محیط دریافت می‌کند، و فعالیت‌هایی را طرح‌ریزی می‌کند که محیط خود را از برخی جهات تغییر می‌دهد. به عبارت دیگر، عامل به محیط خود و شرایط عملیاتی وابسته است، آن را درک می‌کند و به تغییرات آن پاسخ می‌دهد. ADDIN EN.CITE <EndNote><Cite><Author>Chira</Author><Year>2003</Year><RecNum>10</RecNum><DisplayText>[11, 12]</DisplayText><record><rec-number>10</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">10</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Chira, C.</author></authors></contributors><titles><title>Software agents</title><secondary-title>IDIMS Report, February</secondary-title></titles><periodical><full-title>IDIMS Report, February</full-title></periodical><volume>21</volume><dates><year>2003</year></dates><urls></urls></record></Cite><Cite><Author>Sycara</Author><Year>1998</Year><RecNum>9</RecNum><record><rec-number>9</rec-number><foreign-keys><key app="EN" db-id="sdppz00r3f0vfgep52hpezvosz5zr00zsfdv">9</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Sycara, K. P.</author></authors></contributors><titles><title>Multi-agent Sys--s</title><secondary-title>AI magazine, Intelligent Agents</secondary-title></titles><periodical><full-title>AI magazine, Intelligent Agents</full-title></periodical><pages>79-92</pages><volume>19</volume><number>2</number><dates><year>1998</year></dates><urls></urls></record></Cite></EndNote>[11, 12]

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *